Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
arxiv.orgohne Datum · Q000171

Correlated Failures of AI Approval Monitors

arxiv.org · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Es liegt nur der arXiv-Eintrag mit dem Abstract vor. Demnach können gemeinsame Informationsquellen KI-Monitore zu korrelierten Fehlentscheidungen führen; Quellen statt Stimmen zu zählen verringerte auf neuen Daten unnötige Zahlungssperren, doch der Worst-Case-Test zeigte eine Angriffslücke. Laut Abstract stellte ein nicht beeinflussbarer Regel-Engine-Prüfer für die untersuchten Angriffe wieder eine sichere und zugleich lebendige Regel her.

Mittel

Es liegt nur der arXiv-Eintrag mit dem Abstract vor, nicht der vollständige Bericht. Untersucht wird, wie gemeinsam versagende KI-Monitore Freigaben für folgenreiche Aktionen gefährden können. Der Autor prüfte die Zahlungsgenehmigung mit zwölf kleinen offenen Modellen in zwei vorab registrierten Protokollen; drei geschlossene Modelle und DeepSeek-V3.2 wurden zusätzlich ohne Vorregistrierung getestet. Laut Abstract erreichten erfolgreiche Angriffe zur Freigabe von Betrug nur Monitore, die dieselbe manipulierte Beweisquelle lasen. Beim Blockieren korrekter Zahlungen spielte die Widerstandsfähigkeit gegen eingeschleuste Anweisungen eine Rolle: Kleine Modelle und DeepSeek folgten ihnen, während die drei geschlossenen Modelle sie bis auf einen Fall ignorierten.

Auf neuen Daten blockierte eine Regel, die Quellen statt Stimmen zählt, bei gleicher Sicherheit 0,9 Prozent korrekter Zahlungen; die beste Stimmenregel blockierte 7,4 Prozent. Der vorab registrierte Worst-Case-Test scheiterte jedoch: Ein Angriff konzentrierte die zustimmenden Monitore auf eine Quelle. Keine Regel mit den zwölf Sprachmodell-Monitoren überstand daher alle gemessenen Angriffe. Ein ergänzter, nicht beeinflussbarer Regel-Engine-Prüfer ermöglichte laut Abstract wieder eine sichere und lebendige Regel für die untersuchten Angriffe. Details jenseits des Abstracts sind hier nicht verfügbar.

Ausführlich lesen

Es liegt nur der arXiv-Eintrag mit dem Abstract vor, nicht der vollständige Bericht. Der Abstract behandelt das Risiko, dass mehrere KI-Monitore bei der Prüfung folgenreicher Aktionen gemeinsam versagen. Als Beispiele nennt er Zahlungen, Nachrichten und Codeänderungen. Werden die Urteile der Monitore zu einer Freigabe zusammengeführt, können gemeinsam genutzte Basismodelle oder manipulierte Eingaben dazu führen, dass mehrere Prüfer denselben Fehler machen. Der Autor überträgt dafür ein Konzept aus der verteilten Informatik: Mengen von Monitoren, die gemeinsam ausfallen können. Eine Freigaberegel soll sicher sein, wenn sie keine schädliche Aktion ausführt, und zugleich lebendig, wenn sie keine zulässige Aktion unnötig blockiert.

Untersucht wurde die Genehmigung von Zahlungen. Unter zwei vorab registrierten Prüfprotokollen testete der Autor zwölf kleine offene Monitor-Modelle. Zusätzlich wurden ohne Vorregistrierung drei geschlossene Modelle (Claude Opus 5.5, GPT-6 Astra und Gemini 4 Argon) sowie DeepSeek-V3.2 geprüft. Laut Abstract kam jeder erfolgreiche Versuch, einen Monitor zur Freigabe eines Betrugs zu bewegen, über eine bestimmte Beweisquelle und erreichte nur Monitore, die diese Quelle lasen. Angriffe, die eine korrekte Zahlung blockieren sollten, hingen dagegen davon ab, ob ein Monitor Anweisungen widerstand, die in seinen Daten platziert worden waren. Die kleinen Modelle und DeepSeek hätten solche Hinweise befolgt. Die drei geschlossenen Modelle hätten sie bis auf einen Fall ignoriert; Opus habe außerdem speziell auf das Modell zugeschnittene Überzeugungsversuche abgewehrt.

Auf neuen Daten habe eine Regel, die Quellen statt einzelner Stimmen zählt, bei gleicher Sicherheit 0,9 Prozent der korrekten Zahlungen blockiert. Die beste Regel, die Stimmen zählt, habe 7,4 Prozent blockiert. Der Abstract berichtet jedoch auch eine Einschränkung: Der vorab registrierte Worst-Case-Test scheiterte. Bei einem Angriff bezogen alle zustimmenden Monitore ihre Information aus nur einer Quelle. Deshalb habe keine Regel mit den zwölf Sprachmodell-Monitoren allein sämtliche gemessenen Angriffe überstanden. Ergänzte man einen nicht beeinflussbaren Regel-Engine-Prüfer, habe sich für die untersuchten Angriffe wieder eine sichere und zugleich lebendige Regel ergeben. Da nur der Abstract vorliegt, lassen sich Details zu Datensatz, Messaufbau und statistischer Unsicherheit hier nicht beurteilen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassungen stützen sich nur auf den arXiv-Abstract. Sie geben die Hauptbefunde treu wieder, lassen aber die Basismodell-Ursache, das Verhalten von Opus und die konkreten Empfehlungen aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Gemeinsames Basismodell als Ursache korrelierter Ausfälle von Monitoren
  • Opus widerstand auch gezielt auf sich zugeschnittener Überredung
  • Die Empfehlungen des Autors: Eingaben diversifizieren, Monitore härten, Quellen statt Stimmen zählen
  • Der Unterschied zwischen Angriffen, die nur eine Beweisquelle betreffen, und Angriffen, die Blockaden erzwingen, wird nur angedeutet

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 23 %Hintergrund, keine Belege
    • Luna 24 %gleiches Oberthema, hilft nicht
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 50 %gleiches Oberthema, hilft nicht
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 31 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV offen
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV offen
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 55 %gleiches Oberthema, hilft nicht
  3. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 23 %Hintergrund, keine Belege
    • Luna 28 %Hintergrund, keine Belege
    • JEV offen
    • amos 27 %Hintergrund, keine Belege
    • SubQ 26 %gleiches Oberthema, hilft nicht
    • drex 24 %Hintergrund, keine Belege
    • d3-ultra 41 %gleiches Oberthema, hilft nicht

    • SF-P3-T02 Welche unabhängig überprüfbaren Zusagen könnten Regierungen von ihren KI-Laboren zur Veröffentlichung verlangen, und wie sieht unabhängige Prüfung aus, wenn der Beleg, dass ein Modell seinen vorgesehenen Zielen und Werten folgt, nur vom trainierenden Labor kommt und Prüfer weder die Modellgewichte (die gelernten Parameter) noch die Trainingsdaten sehen? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege
    • SF-P3-T04 Wer prüft die KI-Modelle, die andere Modelle prüfen, auf Anweisungen, Versionen und Fehlerfälle, und welche unabhängige Prüfung zeigt, dass das geprüfte Modell sie nicht manipulieren kann, besonders wenn sie aus derselben Modellfamilie stammen? Und wenn gemeinsame Tests, Schweregrade und die Ersteinstufung von Meldungen von Sprachmodellen entworfen, durchgeführt und zusammengefasst werden: Nimmt jeder Staat einen Prüfmechanismus an, dessen Kernbausteine aus ausländischen Laboren stammen? Luna: Stufe 3 · 23 % · Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 42 %einzelne zitierbare Belege
    • JEV offen
    • amos 26 %Hintergrund, keine Belege
    • SubQ 45 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-T1-T05 Welche messbaren Vergleichswerte würden zeigen, dass die Ausrichtung der Modelle eines Labors an den vorgesehenen Zielen und Werten schneller vorankommt, als ihre Fähigkeiten wachsen, über das Fehlen öffentlicher Fehlschläge hinaus? Luna: Stufe 3 · 32 % · Hintergrund, keine Belege
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 23 %Hintergrund, keine Belege
    • Luna 31 %Hintergrund, keine Belege
    • JEV offen
    • amos 24 %einzelne zitierbare Belege
    • SubQ 32 %gleiches Oberthema, hilft nicht
    • drex 22 %einzelne zitierbare Belege
    • d3-ultra 48 %gleiches Oberthema, hilft nicht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 20 %Hintergrund, keine Belege
    • Luna 42 %Hintergrund, keine Belege
    • JEV offen
    • amos 29 %einzelne zitierbare Belege
    • SubQ 21 %gleiches Oberthema, hilft nicht
    • drex 22 %einzelne zitierbare Belege
    • d3-ultra 47 %gleiches Oberthema, hilft nicht

    • SF-V3-T01 Worauf verlässt sich ein Mensch, wenn er glaubt, niemand sehe zu, und lassen sich solche Werte einem System beibringen, das sie nur aus Text gelernt hat? Wie testen Labore heute, ob die Werte eines Modells halten, wenn es zu Recht oder zu Unrecht glaubt, niemand sehe zu? Und wenn niemand erkennen kann, ob jemand zusieht: Was hält Werte dann fest, Charakter, Training oder die Geschichte, die man sich selbst erzählt? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 21 %Hintergrund, keine Belege
    • Luna 49 %umfangreiche Belege
    • JEV offen
    • amos 25 %einzelne zitierbare Belege
    • SubQ 25 %Hintergrund, keine Belege
    • drex 26 %einzelne zitierbare Belege
    • d3-ultra 34 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

    • SF-V5-T01 Was sollte ein Modell schon heute tun, nicht erst bei rekursiver Selbstverbesserung (wenn KI ihre eigene Weiterentwicklung selbst vorantreibt), um äußerste Vorsicht angesichts rasch wachsender maschineller Intelligenz ernst zu nehmen? Luna: Stufe 4 · 35 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 4 · 30 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 35 % · Hintergrund, keine Belege
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 25 %Hintergrund, keine Belege
    • Luna 36 %einzelne zitierbare Belege
    • JEV offen
    • amos 24 %einzelne zitierbare Belege
    • SubQ 23 %Hintergrund, keine Belege
    • drex 23 %Hintergrund, keine Belege
    • d3-ultra 33 %Hintergrund, keine Belege

    • SF-A1-T03 Werden Freigabetests messen, ob ein Agent folgenreiche Handlungen außerhalb seines Auftrags unterlässt, auch wenn kein einzeln aufgeführtes Verbot sie blockiert, und werden die Kriterien veröffentlicht? Luna: Stufe 3 · 23 % · Hintergrund, keine Belege
  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 31 %gleiches Oberthema, hilft nicht
    • Luna 41 %Hintergrund, keine Belege
    • JEV offen
    • amos 27 %nur am Rande erwähnt
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 33 %gleiches Oberthema, hilft nicht
    • d3-ultra 67 %gleiches Oberthema, hilft nicht

  3. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 24 %umfangreiche Belege
    • Luna 73 %umfangreiche Belege
    • JEV offen
    • amos 36 %umfangreiche Belege
    • SubQ 30 %umfangreiche Belege
    • drex 30 %umfangreiche Belege
    • d3-ultra 28 %einzelne zitierbare Belege
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

    • SF-A3-T01 Welche Beobachtungen oder gemeinsamen Tests erkennen entstehende Abstimmung, Absprachen oder Kettenfehler zwischen Modellen in Arbeitsabläufen, Lieferketten und Gruppen vieler Agenten (Schwärmen), die kein einzelnes Labor steuert oder vorhersieht? Luna: Stufe 3 · 32 % · Hintergrund, keine Belege
    • SF-A3-T03 Gibt es Cyber- oder Einsatzfähigkeiten, die erst entstehen, wenn Modelle verschiedener Staaten zusammenwirken (abgestimmte autonome Angriffe, gemeinsames Umgehen geteilter Überwacher), und welche gemeinsame Schwelle löst dann eine Prüfung aus? Luna: Stufe 4 · 27 % · einzelne zitierbare Belege
    • SF-A3-T04 Werden Ausrichtungstests vor der Freigabe prüfen, ob ein Modell seine Sicherheitsregeln hält, wenn unabhängig gebaute KIs ihm widersprüchliche oder unsichere Empfehlungen geben, und werden die Ergebnisse getrennt von Einzeltests berichtet? Luna: Stufe 4 · 34 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-A3-T05 Wie sollen Aufsichtsbehörden und Labore die Gesamtrisiken und die miteinander verknüpften Risiken tausender einzeln genehmigter Einsätze bewerten, die Infrastruktur, Modelle, Datenquellen oder Fehlerarten teilen? Luna: Stufe 3 · 34 % · Hintergrund, keine Belege
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 28 %Hintergrund, keine Belege
    • JEV offen
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Wirtschaft und Haftung
  1. SF-W3 Wie schützt man Finanzmärkte vor Folgen von KI, von vertraulichen Entscheidungen über Pausen bis zu Kursstürzen in Sekunden?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV offen
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →